Intelligenza Artificiale e cittadinanza digitale: percorsi di educazione civica con strategie unplugged

Questo corso introduce i docenti alle metodologie unplugged per esplorare i principi fondamentali del Machine Learning e della logica algoritmica, con l’obiettivo di sviluppare competenze di educazione civica e cittadinanza digitale. Il percorso è progettato in coerenza con quanto previsto dallʼAvviso PNRR per i Laboratori formativi sul campo e le attività proposte si prestano ad essere realizzate direttamente in classe con il coinvolgimento attivo degli studenti, in contesti di tutoraggio, mentoring e affiancamento alle pratiche didattiche innovative.
Attraverso attività collaborative che non richiedono lʼuso di tecnologie digitali, i partecipanti sperimenteranno e potranno replicare con gli studenti simulazioni di processi di classificazione, clustering e previsione. Tali esperienze, già sperimentate in contesti reali di classe, favoriscono una comprensione concreta di come gli algoritmi identificano pattern nei dati, gestiscono le incertezze e prendono decisioni.
Il percorso si configura quindi come un laboratorio formativo trasferibile, in cui i docenti non solo acquisiscono competenze, ma vengono accompagnati nella loro applicazione in classe, anche attraverso il coinvolgimento diretto degli studenti.
Lʼobiettivo è fornire strumenti per demistificare lʼIA e discuterne in modo critico le implicazioni etiche e sociali insieme agli studenti, integrando educazione civica e cittadinanza digitale. Il tutto attraverso attività accessibili, basate su materiali semplici e sulla logica, che promuovono trasparenza, responsabilità e sviluppo del pensiero critico.

PROGRAMMA E CONTENUTI
1. Dalle regole all’apprendimento automatico

• Differenza tra sistemi esperti tradizionali e Machine Learning.
• Algoritmi come sequenze di istruzioni ed esplorazioni sul campo.
• Demistificare l’IA attraverso il gioco e l’analogia.

2. Pattern e raggruppamenti: il clustering

• Principi del Machine Learning non supervisionato.
• Mappatura dei dati e riconoscimento di pattern su piano cartesiano.
• Identificazione di cluster e gestione dei dati anomali (outlier).

3. Dati ed esempi: i modelli predittivi

• Fondamenti del Machine Learning supervisionato e dati etichettati.
• Costruzione manuale di un modello predittivo e linea di regressione.
• Margine di errore e importanza della qualità dei dati.

4. Cittadinanza digitale ed etica dell’algoritmo

• Alberi decisionali e modelli di classificazione analogici.
• Riflessione critica su bias, trasparenza e limiti dell’IA.
• Dichiarazione dell’uso degli strumenti e responsabilità digitale.

MODALITÀ DI VERIFICA E VALUTAZIONE

• Partecipazione attiva alle attività laboratoriali.
• Sviluppo in itinere di un artefatto digitale: realizzazione contestuale al corso di una risorsa didattica pronta all’uso in classe.
• Sessione di condivisione dei lavori e peer-review guidata finalizzata al confronto metodologico e allo scambio di buone pratiche.

RISULTATI DI APPRENDIMENTO (LEARNING OUTCOMES – DIGCOMP 3.0)

• Conoscenze: Comprendere la differenza tra programmazione tradizionale e Machine Learning (supervisionato e non supervisionato) e i concetti di bias e allucinazione algoritmica (Rif. DigComp 1.2 e 3.4).
• Abilità: Progettare e condurre attività unplugged per simulare processi di clustering, regressione e classificazione con materiali poveri (Rif. DigComp 3.4 e 5.3).
• Abilità: Guidare gli studenti nell’analisi critica dell’impatto sociale ed etico degli algoritmi sulla vita quotidiana (Rif. DigComp 2.3).
• Attitudini: Promuovere un approccio consapevole, trasparente e responsabile verso l’uso delle tecnologie e dell’IA.

TRAGUARDI DI COMPETENZA DIGITALE E TRASVERSALE (DIGCOMP 3.0)
Area 1 – Alfabetizzazione su informazioni e dati:

• Valutare dati, informazioni e contenuti digitali generati da IA (1.2) [AI][E].

Area 2 – Comunicazione e collaborazione:

• Esercitare la cittadinanza attraverso le tecnologie digitali (2.3).

Area 3 – Creazione di contenuti digitali:

• Pensiero computazionale e programmazione (3.4) [AI][I].

Area 5 – Risoluzione dei problemi:

• Individuare soluzioni creative utilizzando tecnologie digitali (5.3) [AI][I].

COORDINAMENTO DEL CORSO

• Monti Gianni – Docente STEM della scuola secondaria, vanta una consolidata esperienza nella formazione in servizio dei docenti di tutti gli ordini scolastici e nel sostegno allʼinnovazione digitale nelle scuole, maturata in oltre ventʼanni di attività nellʼambito delle iniziative del MIUR e del PNRR. Progettista e conduttore di laboratori per lo sviluppo del pensiero computazionale, è autore di testi scolastici e collabora da anni con la casa editrice Raffaello.

GESTIONE DEL CORSO
L’offerta e il costo includono la gestione degli incontri live e le registrazioni, l’accesso ai materiali condivisi, l’assistenza tecnica e il tutoraggio.